Generowanie treści AI a Helpful Content Update — gdzie przebiega granica

Google nie filtruje treści napisanych z pomocą AI. Filtruje treści bez wartości — niezależnie od tego, kto je napisał. To kluczowa różnica, którą gubi większość artykułów o „AI i SEO". Helpful Content Update wprowadzony przez Google w 2022 (i rozwijany od tego czasu) nie celuje w technologię tworzenia treści, tylko w jej jakość. Poniżej rozpisujemy granice praktyczne: gdzie AI realnie pomaga, gdzie zaczyna szkodzić, jak budujemy bezpieczny workflow z AI w naszej własnej pracy SEO.

Co dokładnie penalizuje Helpful Content

Google publicznie oświadczył, że problem to treści tworzone primarily for search engines, not people. Konkretnie:

• Treści, które są zbiorem fraz kluczowych bez koherencji,
• Treści, które powtarzają to samo, co konkurencja, bez dodanej perspektywy,
• Treści powierzchowne na temat, który wymaga ekspertyzy (medycyna, finanse, prawo),
• Treści tworzone masowo „pod każdą wyszukiwaną frazę" bez planu,
• Treści bez sygnałów źródła (kto pisze, jakie ma doświadczenie, gdzie się weryfikuje).

Zauważ: żaden z tych punktów nie dotyczy „AI". Dotyczą jakości i intencji.

Gdzie AI realnie pomaga w SEO

Z naszej praktyki — AI używamy w 4 obszarach z dobrym efektem:

1. Research i synteza dużych źródeł

„Przeczytaj 20 artykułów konkurencji o X i zrób mi listę tematów, których wszyscy unikają". To zadanie, w którym AI jest szybsze od człowieka i daje lepsze wyniki niż 3 godziny czytania. Output: lista luk, nie gotowa treść.

2. Tłumaczenia i lokalizacja

Tłumaczenie artykułu z polskiego na niemiecki jako pierwszy draft — z native speakerem dorabiającym lokalny styl. Wcześniej: 4 godziny tłumaczenia. Teraz: 1 godzina edycji.

3. Generowanie wariantów meta tagów

Title <60 znaków × 5 wariantów × frazy pomocnicze. AI generuje 20 wariantów w sekundę, wybieramy najlepszy. Człowiek robił to godzinę.

4. Klastry tematyczne i mapa intencji

„Dla frazy X jaka jest mapa intencji wyszukiwania (informacyjna, transakcyjna, komercyjna)?" — AI daje przegląd, my decydujemy o strategii.

Gdzie AI zaczyna szkodzić

Cztery use cases, których nie używamy:

• Generowanie pełnych artykułów „z briefu" — bez ekspertyzy człowieka treść jest powierzchowna i powtarza konkurencję,
• Programmatic SEO bez bazy danych — generowanie 500 stron z permutacjami fraz to thin content. Programmatic ma sens tylko z unikalną treścią z bazy (jak strony lokalne z aktualnymi ofertami),
• FAQ na każdej podstronie bez sensu — AI generuje 10 pytań o czymkolwiek. Większość to puste pytania bez wartości. Lepiej 3 realne pytania niż 10 wymyślonych,
• Treści w branżach YMYL (medycyna, finanse, prawo) — bez recenzji eksperta to ryzyko nie tylko SEO, ale i prawno-etyczne. AI może pomóc strukturyzować, weryfikuje człowiek z kompetencjami.

Bezpieczny workflow z AI

Schemat, który stosujemy w naszej własnej pracy:

1. Strategia, intencja, fraza — człowiek decyduje, nie AI,
2. Research konkurencji — AI streszcza, człowiek czyta najlepsze 2-3 źródła,
3. Brief i struktura — człowiek pisze plan H2/H3 na bazie researchu,
4. Pierwszy draft — autor (ekspert dziedzinowy) pisze z AI jako asystenta („rozszerz tę sekcję", „znajdź analogię", „dopisz przykład"). NIE odwrotnie — AI nie pisze całości,
5. Edycja — człowiek przepisuje 30-50% tekstu pod swój głos, dodaje konkretne dane z projektów, eliminuje truizmy,
6. Fact-check — wszystkie liczby, daty, nazwy weryfikujemy. AI często halucynuje konkretami,
7. Publikacja — z imieniem autora, datą, kontekstem (z jakich projektów dane).

Sygnały E-E-A-T — gdzie AI nie wystarcza

Google rozwija koncepcję E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness). Wszystkie cztery wymagają człowieka:

• Experience — z czego konkretnie korzystałeś, co zrobiłeś, w jakich projektach.
• Expertise — kim jesteś, jakie masz uprawnienia, wykształcenie, certyfikaty.
• Authoritativeness — kto cię cytuje, gdzie publikujesz, jakie masz backlinki tematyczne.
• Trustworthiness — dane firmy, kontakt, transparentność polityki prywatności i regulaminu.

AI nie ma „doświadczenia" — nie był w gabinecie fizjoterapeutycznym, nie prowadził kampanii Ads, nie naprawiał śledzenia w sklepie. Treść bez tych sygnałów jest dla Google podejrzana — i niezależnie od jakości językowej, traci.

Co konkretnie robimy w blogu maxdigital.pl, żeby zasilić E-E-A-T

• Linki do realnych projektów w korpusie artykułu — nie tylko w „Wnioskach". Artykuł o pomiarze konwersji linkuje do case'a huka.com.pl w sekcji o zdublowanych eventach, bo tam właśnie tę sytuację opisaliśmy.
• Schema Article + author z @id linkującym do strony „o mnie" (bio agencji). Niska bariera, a sygnał dla Google bardzo czytelny.
• Daty publikacji + aktualizacji — pokazujemy datePublished i dateModified. Aktualizacja po roku to dla Google sygnał, że treść jest pielęgnowana.
• Stopka autora z linkiem do realnego portfolio (4 portale Giełdy Biomasy, RehaFit, Jagódka). Czytelnik widzi, że „autor wie, o czym pisze" — nie tylko czyta to z tytułu „założyciel agencji".
• Konkretne nazwiska narzędzi i wersji — „Next.js 15 App Router" zamiast „nowoczesny framework", „PayU OpenPayU 2.1" zamiast „integracja płatności". Specyficzność = ekspertyza.

Porównanie: AI-generic vs przepisany przez eksperta

Konkretny przykład, jak to wygląda w praktyce. Pierwszy akapit napisany przez AI bez briefu eksperta na temat „dlaczego warto wdrożyć pomiar konwersji":

„Wdrożenie zaawansowanego pomiaru konwersji to inwestycja, która w długim okresie zwraca się wielokrotnie. Dzięki precyzyjnym danym o zachowaniach użytkowników możesz podejmować lepsze decyzje biznesowe i optymalizować swoje kampanie reklamowe. Pamiętaj, że dane to nowa waluta w marketingu cyfrowym."

Ten sam temat przepisany z konkretem z projektu huka.com.pl:

„W sklepie huka.com.pl 90% ruchu przychodziło z Google Ads, ale algorytm trenowany był na 20 000 odsłon ustawionych jako konwersja zamiast 90 realnych zakupów. Skutek: kampanie nie potrafiły się rozkręcić, mimo wysokiego budżetu. Naprawa zaczęła się od jednej rzeczy — usunięcia „Wyświetlenia strony" z listy konwersji podstawowych. Algorytm dostał wreszcie sygnał, na którym mógł się uczyć: zakup z prawdziwą wartością."

Pierwszy akapit może napisać każdy LLM dla każdej branży. Drugi wymaga konkretnego case'a — i to jest sygnał, który Google czyta jako „autor wie, co mówi". Nie chodzi o długość, chodzi o specyficzność.

AI w naszej redakcji bloga maxdigital.pl — szczerze

Powiemy wprost: blog maxdigital.pl powstaje z udziałem AI. Konkretnie — używamy Claude'a do researchu konkurencji, briefu, draftu, generowania wariantów meta tagów. Ale ostatnia warstwa edycji zawsze należy do człowieka, który pisał kampanie / audytował sklepy / wdrażał stack technologiczny. Bez tej warstwy artykuły brzmią jak średnia z 10 tysięcy stron konkurencji — i tak właśnie rankują.

Workflow, którego się trzymamy:

1. Człowiek decyduje temat (z masterplanu SEO), kluczową frazę, intencję.
2. Claude robi research konkurencji top10 — luki tematyczne, kąt, którego brakuje.
3. Człowiek pisze brief: jakie sekcje, jakie case'y wewnętrzne wpleść, jakie konkretne narzędzia/wersje wymienić.
4. Pierwszy draft powstaje wspólnie — autor prowadzi, AI rozszerza pojedyncze fragmenty na życzenie.
5. Edycja: 30-50% tekstu przepisane pod konkretny głos i konkretne projekty.
6. Fact-check wszystkich liczb, dat, nazw — AI często halucynuje konkretami.
7. Publikacja z imieniem autora, datą, linkami do realnych projektów w korpusie.

Czy to gwarantuje wysokie pozycje? Nie. Gwarantuje, że treść zasługuje na pozycje — niezależnie od tego, jak działają algorytmy Google w danym kwartale.

Czerwone flagi w pracy z AI — czego unikamy świadomie

Cztery pułapki, w które łatwo wpaść używając AI w produkcji treści SEO. Wymieniam świadomie, bo każda z nich w ostatnich 12 miesiącach łapaliśmy w briefach od klientów lub propozycjach agencji konkurencyjnych:

• Generowanie 500 podstron lokalnych „w jeden weekend" przez prompty typu „napisz mi 500 wariantów strony o pelleciarni w 500 polskich miastach". To klasyczny thin content — każda strona ma 70-90% identycznej treści, podmieniona jest tylko nazwa miasta. Google filtruje to w pierwszym przebiegu. Programmatic SEO ma sens tylko z bazą danych dynamicznych (oferty, ceny, mapa) — opisaliśmy mechanizm w case study Giełdy Biomasy.
• Generowanie FAQ-ek pod każdym artykułem — AI chętnie wypisze 10 pytań o czymkolwiek. 7 z nich będzie pustych. Lepiej 3 realne pytania z research klienta niż 10 wymyślonych.
• Tłumaczenia bez native speakera — DeepL i Claude robią poprawne tłumaczenia, ale ton i idiom są generyczne. Niemiecki kupiec rozpozna to natychmiast i potraktuje stronę jako amatorską.
• Halucynacje konkretami — AI często wymyśla daty premier, nazwiska, numery wersji, dane statystyczne. Bez fact-checku każde z tych „faktów" to ryzyko reputacyjne.

Wnioski

AI to narzędzie produktywności — jak edytor tekstu, jak Photoshop, jak GitHub Copilot. Używane mądrze przyspiesza pracę i podnosi jakość. Używane do produkcji masowej bez kontroli — szkodzi. Google nie filtruje narzędzia, tylko output. Pytanie nie brzmi „czy używać AI w SEO", tylko „jak używać, żeby output był warty publikacji".

Opisaliśmy też konkretne workflow z AI w naszej pracy SEO oraz jak przygotować stronę pod AI Overviews i SGE.